问题标签 [densenet]

我正在尝试将扁平层作为 convd2d 的输入，并使用 cifar-10 数据集预测 Densenet 上 10 类分类问题的输出。以下代码片段出现错误。

我收到以下错误

谁能告诉我如何解决它。提前致谢。

我已经训练了 resnet50v2 和 densenet 169 模型。TensorFlow 每晚 2.3.0-dev20200608。该模型运行良好，我尝试了一些优化，例如“简单”tf lite、tf lite 动态范围、tf lite 16float，它们都运行良好（精度与原始模型相同或略低于预期）。我想将我的模型转换为使用 uint8 的全整数训练后量化。我将模型从 SavedModel 格式转换为：

正如 TensorFlow lite 网站中所写。然后我编译了边缘 tpu 的模型。它可以工作，因为 edge tpu 允许我在没有错误的情况下运行它，但结果是乱码。它总是预测相同的值。然后我尝试在 cpu 上使用 tf lite 解释器。输入/输出张量是正确的 uint8，但它再次预测相同的值。在带有 tf lite 的 cpu 上，问题仍然存在移动到 int8。有没有其他人遇到过同样的问题？

请在此处找到一个 Google 文件夹，其中包含我用于转换的代码、转换前后的模型以及转换后的模型。

https://drive.google.com/drive/folders/11XruNeJzdIm9DTn7FnuIWYaSalqg2F0B?usp=sharing

当我尝试训练此模型时，它会生成错误“ValueError：检查目标时出错：预期的 dense_33 具有形状 (60, 60, 5) 但得到的数组具有形状 (240, 240, 5)”。one-hot 编码后，y_train.shape 为 (4992, 240, 240, 5)。x_train.shape 是 (4992, 240, 240, 1)

请帮我解决这个错误。我是深度学习的初学者。

详细=2)

我想在我的数据上使用 keras 应用 DenseNet 模型，但出现此错误。我不知道如何解决它。

任何帮助，将不胜感激。

代码：

我正在尝试将 Keras chexNet 权重文件加载到 Densenet121， https: //www.kaggle.com/theewok/chexnet-keras-weights

我收到 ValueError：您正在尝试将包含 242 层的权重文件加载到具有 241 层的模型中。如果我打电话给densenet121

如果我尝试：-

我会得到 ValueError: Shapes (1024, 1000) 和 (1024, 14) 不兼容

我想量化一个 DenseNet 模型。我正在使用 TensorFlow 2.4。

但我收到以下消息：

RuntimeError：层 conv2_block1_0_bn：<class 'tensorflow.python.keras.layers.normalization_v2.BatchNormalization'> 不受支持。您可以通过将tfmot.quantization.keras.QuantizeConfig实例传递给quantize_annotate_layerAPI 来量化这一层。

有没有办法我可以做到这一点。我无法更改 keras 代码。

我一直在尝试将预训练的 PyTorch Densenet 的第一个 conv 层从 3 个通道更改为 4 个通道，同时保持其原始 RGB 通道的预训练权重。我已经完成了以下代码，但是优化器部分向我抛出了这个错误： "ValueError: can't optimize a non-leaf Tensor".

我也试图删除这个论点with torch.no_grad():，但这个问题仍然存在：

我的 PyTorch 版本是：1.7.0。

你们能帮忙吗？非常感谢！

问候。

我想用 DenseNet 进行迁移学习，我找到了一个我想研究的例子。

所以这是用这些层替换原始模型的输出。但是，当我尝试拟合模型时，出现不兼容的形状错误：

但是，查看模型摘要，我不知道这是什么原因。

我正在尝试构建一个密集的块，所以我写了一个这样的简单示例：

但我得到的图表不包含任何连接：

我的代码可能有问题吗？

实际上，我正在使用免费帐户学习 Azure ML Studio 课程。我有一个非常简单的笔记本，我从 Keras 加载 DenseNet 并使用它（没有拆分和训练）来预测一些图像。

我想知道是否可以在 Azure ML Studio Designer（低代码）中加载在 ImageNet 上预训练的 DenseNet 而无需对其进行训练，而仅像我在笔记本中那样将其用于预测？